Fugu-MT 論文翻訳(概要): Sequence-guided protein structure determination using graph convolutional and recurrent networks

論文の概要: Sequence-guided protein structure determination using graph convolutional and recurrent networks

arxiv url: http://arxiv.org/abs/2007.06847v3
Date: Thu, 3 Sep 2020 02:25:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 14:17:08.029926
Title: Sequence-guided protein structure determination using graph convolutional and recurrent networks
Title（参考訳）: グラフ畳み込みと繰り返しネットワークを用いた配列誘導タンパク質構造決定
Authors: Po-Nan Li and Saulo H. P. de Oliveira and Soichi Wakatsuki and Henry van den Bedem
Abstract要約: 単一粒子、低温電子顕微鏡(cryo-EM)実験は、現在、大きなタンパク質の高分解能データを日常的に生成している。この種のタスクの既存のプロトコルは、しばしば人間の介入に頼り、アウトプットを生成するのに数時間から何日もかかることがある。ここでは、完全に自動化された、テンプレートなしのモデル構築アプローチを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Single particle, cryogenic electron microscopy (cryo-EM) experiments now routinely produce high-resolution data for large proteins and their complexes. Building an atomic model into a cryo-EM density map is challenging, particularly when no structure for the target protein is known a priori. Existing protocols for this type of task often rely on significant human intervention and can take hours to many days to produce an output. Here, we present a fully automated, template-free model building approach that is based entirely on neural networks. We use a graph convolutional network (GCN) to generate an embedding from a set of rotamer-based amino acid identities and candidate 3-dimensional C$\alpha$ locations. Starting from this embedding, we use a bidirectional long short-term memory (LSTM) module to order and label the candidate identities and atomic locations consistent with the input protein sequence to obtain a structural model. Our approach paves the way for determining protein structures from cryo-EM densities at a fraction of the time of existing approaches and without the need for human intervention.
Abstract（参考訳）: 単粒子極低温電子顕微鏡(cryo-em)実験は現在、大きなタンパク質とその複合体の高分解能データを日常的に生成している。低温-EM密度マップに原子モデルを構築することは、特に標的タンパク質の構造が事前に知られていない場合、困難である。この種のタスクの既存のプロトコルは、しばしば人間の介入に頼り、アウトプットを生成するのに数時間から数日かかることがある。ここでは,完全にニューラルネットワークに基づく,完全に自動化されたテンプレートフリーなモデル構築手法を提案する。グラフ畳み込みネットワーク(GCN)を用いて,ロタマー系アミノ酸の集合と候補3次元C$\alpha$位置から埋め込みを生成する。この埋め込みから、我々は双方向長短期メモリ(LSTM)モジュールを用いて、入力タンパク質配列と整合した候補のアイデンティティと原子位置を順序付けし、ラベル付けし、構造モデルを得る。本手法は,ヒトの介入を必要とせず,既存の手法のごく一部でcryo-em密度からタンパク質構造を決定する方法である。

関連論文リスト

SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-10-31T15:22:03Z)
Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文参考訳（メタデータ） (2023-08-02T12:08:17Z)
ModelAngelo: Automated Model Building in Cryo-EM Maps [1.2891210250935146]
我々は、Cryo-EMマップにおけるタンパク質の自動構築のためのModelAngeloを構築した。タンパク質構造予測への機械学習応用の最近の進歩は、このプロセスを自動化する可能性を示している。 ModelAngeloは最先端の建物より優れており、3.5 rAよりも解像度が良いCreo-EMマップ用の手動ビルディングを近似している。
論文参考訳（メタデータ） (2022-09-30T16:47:45Z)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)
HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein Language Model as an Alternative [61.984700682903096]
HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
論文参考訳（メタデータ） (2022-07-28T07:30:33Z)
Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文参考訳（メタデータ） (2022-05-31T13:26:51Z)
Protein Structure and Sequence Generation with Equivariant Denoising Diffusion Probabilistic Models [3.5450828190071646]
バイオエンジニアリングにおける重要な課題は、特定の3D構造と標的機能を可能にする化学的性質を持つタンパク質を設計することである。タンパク質の構造と配列の両方の生成モデルを導入し、従来の分子生成モデルよりもはるかに大きなスケールで操作できる。
論文参考訳（メタデータ） (2022-05-26T16:10:09Z)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)
Functional Protein Structure Annotation Using a Deep Convolutional Generative Adversarial Network [4.3871352596331255]
機能性に基づいてタンパク質構造を分類するDeep Convolutional Generative Adversarial Network (DCGAN)の利用について紹介する。我々は,DCGANを3次元デコイおよびネイティブタンパク構造で訓練し,3次元タンパク構造の生成と識別を行う。
論文参考訳（メタデータ） (2021-04-18T22:18:52Z)
Protein model quality assessment using rotation-equivariant, hierarchical neural networks [8.373439916313018]
本稿では,タンパク質モデルの品質を評価するための新しい深層学習手法を提案する。提案手法は,最近のCASPラウンドに投入されたタンパク質モデルを評価することによって,最先端の成果を得る。
論文参考訳（メタデータ） (2020-11-27T05:03:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。